根据麻省理工学院媒体实验室 2025 年的一篇论文，95% 的 AI 试点项目未能实现可衡量的投资回报。许多企业正在探索 AI，开展概念验证、举办演示活动并向董事会汇报进展。但当问题转向何时能实现规模化生产时，答案通常是：尚未实现。
为何实现大规模 AI 价值的路径比预期更困难？
关键问题并不在于缺乏 AI 能力，而在于缺少 AI 运行所需的上下文环境。在 AI 试点项目中，往往忽略了完整的流程逻辑、业务规则、安全约束以及数据之间的关联关系——这些因素使数据具有意义，并确保用户能够安全地与之交互。 事实上，在 2026 年 SAP 与牛津经济研究院对 2600 名企业高管进行的调查中，73% 的受访者将数据质量或可用性问题列为阻碍 AI 投资回报的主要障碍。
弥补这一上下文差距，并非简单地从外部数据环境中提取更多数据或构建更多本体论模型，而是需要一种根本不同的方法：将 AI 直接集成到企业资源规划（ERP）应用套件中，使其能够在原生上下文的业务环境中运行。
为何业务上下文对企业 AI 至关重要
当前的 AI 模型是基于公开的互联网内容进行训练的，尽管能力出众，却并未学习过你的客户合同、采购订单、审批层级或其他管理企业运作的业务逻辑。这些知识深植于你的业务应用系统之中，需要大语言模型去理解。
当我们谈论业务应用时，核心便是 ERP。为什么？因为 ERP 是每一家企业的中枢大脑。企业中所有重要的事件最终都会转化为在 ERP 系统中执行并受其管控的交易。客户下单，收入确认；供应商的零部件到达码头，库存记录更新；员工入职，薪酬系统启动。 这些并非仅仅是事件的表象，而是企业正式认可并承诺的事件本身。
一个能够针对业务情境采取行动的 AI 智能体——例如建议更换供应商或推荐调整生产计划——需要做的远不止读取数据。它必须理解数据背后的规则、所处的流程背景，以及为实现从洞察到结果的闭环所需操作的系统。
这要求我们所做的远不止将数据输入大语言模型（LLM）。你的数据源自成千上万条业务规则，其中嵌入了近乎无限的相互依赖关系：一位客户与一份产品合同相关联，该合同涉及一份物料清单，清单中的采购材料由某供应商提供，而该供应商又带有风险评分。供应商所在地的宏观经济事件会波及你的企业，并影响到你的客户。AI 需要理解这些关联，才能及时预警潜在影响并推荐应对措施。
与你的 ERP 系统直接协同的 AI，无需再学习你的订单管理和采购到付款流程如何运作——它早已知晓。
为何原生上下文 AI 优于模拟 AI 环境
如果我们认同 AI 需要广泛而深入的上下文才能有效运作，那么我们该如何为 AI 提供这样的环境？ 是将 AI 带入真实上下文，还是构建一个模拟环境让 AI 在其中运行？
将 AI 想象成一条鱼。
在第一种情境中，这条鱼在海洋里游动。海洋就是真实的业务环境：你的数据、交易、流程逻辑、安全与合规规则。这条鱼无需任何人向它解释海洋，它就生活在其中。它所做的每一个决策，都基于周围实时存在的完整、鲜活的上下文。 这就是原生上下文 AI。
在第二种场景中，鱼游在一个水族箱里。公平地说，这是一个复杂的水族箱：里面有植物，有正在运行的过滤器，底部铺着砾石，有人投入了大量心血，让它看起来像海洋。
那个按计划运行的过滤器？那就是你的数据管道。
那些人造植物？那是你的专家精心构建、逐项还原的自定义本体。
而那条鱼不断撞上的玻璃墙？那就是你的边界——墙外的一切对 AI 来说都是不可见的。
这就是外部 AI 平台的运作方式。
一些 AI 供应商会告诉你，答案是建造一个水族箱。当你只想隔离并研究几条鱼时，水族箱确实可行。但当你需要整个生态系统以业务速度运行时，它就无法胜任了。 水族箱或许适用于试点项目，但一旦需要在整个企业范围内部署，你就需要更大的水族箱，或更多的水族箱。这意味着要复制更多数据、构建更多本体，并对真实环境进行更多模拟。这将带来额外的工作量、重复劳动和成本。
无论你把水族箱建得多大，或拥有多少个水族箱，它终究不是海洋。
一旦真正的商业事件发生——比如供应商未能交付关键部件、重要客户宣布破产，或核心高管离职——海洋会瞬间改变。而水族箱却不会。
原生上下文 AI 如何将业务上下文转化为行动
而原生上下文 AI 则不同，AI 智能体直接在 ERP 应用套件的完整上下文中游动，而不是置身于其外部的模拟环境。这是一种架构上的根本区别，它改变了 AI 在运营规模下的运作方式。
原生上下文方法意味着 AI 能够直接访问使业务数据有意义的业务规则、关系和逻辑。确定性的业务规则会持续检查概率性的 AI 输出结果，在错误扩散前及时捕捉并纠正。安全与合规规则也原生地从应用程序和用户延伸至智能体，无需在平行框架中重新构建。当 AI 智能体到达决策节点时，它会向人类寻求指导，然后直接与主系统执行操作，从而实现从洞察到行动的闭环。
实现这一过程的关键在于一个原生的知识图谱，它基于你的业务规则，呈现数据之间的丰富关联，使 AI 智能体能够在整个应用环境中获得流程上下文。随着新增组织、模块和业务模型，无需扩展或重建图谱，上下文可随业务规模自然扩展。
可扩展性同样至关重要。原生上下文架构不要求每个智能体都预先构建，而是允许客户定制的应用程序、智能体以及对标准智能体的扩展，均能采用与核心应用套件相同的业务上下文和治理模式进行开发。这意味着企业可以在不脱离 AI 所依赖的运营上下文的前提下持续创新——正是这种上下文让 AI 的建议值得信赖且可执行，同时避免产生额外的技术债务。
原生上下文 AI 是指能够从内部进行导航、思考和执行的 AI。一个能读懂采购订单的智能体固然有用。一种能够在同一授权范围内，将采购订单中的延迟发货信息转化为物料清单、客户订单及产品替代方案，并向客户提出建议的智能体，具有变革性意义。
为何在 ERP 之外难以复制业务上下文
外部 AI 平台能够提供价值，适用于试点项目或解决孤立问题等场景，但在企业级运营业务流程中，随着规模扩大，其治理和维护变得越来越困难。理解其中原因，便能揭示架构层面的深层差异。
外部 AI 平台可通过开放 API 访问业务数据，但 API 暴露的是原始数据，而非编码了数据与业务规则、流程和组织架构之间关系的知识图谱。
当应用套件之外的 AI 调用 API 获取供应商记录时，它只能获得数据本身，而无法获取使这些数据具有意义的完整关系图谱，例如涉及该供应商的合同、风险分类、审批阈值以及合规规则等。
为弥补缺失的上下文信息，企业必须进行一项成本极高的操作：借助内部领域专家的帮助，逆向工程构建语义层，并创建一个自定义本体，以镜像应用套件原生已编码的内容。 随后还需持续维护该本体，以应对应用环境的变化，这将带来长期的运营成本。
此外，还必须考虑安全性和合规性。当 AI 在平台内部运行时，可自动继承这些管控机制。当 AI 在平台之外运行时，必须独立重建这些控制措施，从而形成一个与源系统记录保持同步的并行治理框架。每当业务应用中的角色发生变化时，都必须有人手动在 AI 层中同步该变更。现在每次审计都需要覆盖两个范围，而不是一个。
麦肯锡解读：为何 ERP 是企业级 AI 的基础
2026 年 1 月，麦肯锡公司发表了一篇文章，专门探讨 ERP 与企业级 AI 规模化之间的关系，其结论与上述架构观点高度一致。
麦肯锡的报告《弥合 AI 智能体与 ERP 之间的鸿沟，实现规模化价值释放》提出了三个论点，验证了“原生上下文”方法的有效性：
- 一是 ERP 决定了企业价值流动的方式
- 二是以 ERP 为基础可实现规模化价值释放
- 三是将 AI 嵌入实际工作流程中，是推动应用落地的关键
其含义显而易见： 企业应将 ERP 视为关键使能工具。“那些能够弥合 AI 雄心与 ERP 准备度之间差距的企业，将最快从实验阶段迈向真正、可衡量的损益影响。”
构建可扩展的 AI 战略
如果你的企业正在评估 AI 数据平台，或已在业务应用之上构建了 AI 试点项目，那么最关键的问题是：你真正要解决什么问题？而构建模拟环境就是答案吗？
外部 AI 平台或许能在试点中创造价值，或在特定业务领域回答某个具体问题。但问题不在于试点本身，而在于如何实现规模化。一旦超出试点阶段，每一步向更大规模外部 AI 架构迈进，都会增加 上下文维护 的成本，扩大治理和风险范围，并让你逐渐远离真正让 AI 发挥价值的实际业务场景。
我们的建议：在探索 AI 的同时，优先推进 ERP 系统的现代化升级。现代化的 ERP 应用套件意味着为 AI 在企业级规模运行创造必要条件：标准化流程、干净的主数据、内置的语义层以及嵌入式的治理机制。有了现代化的 ERP 套件，这片海洋已然存在，剩下的只是决定你的 AI 是否要在这片海洋中畅游。
核心结论：上下文是企业 AI 的根基
企业级 AI 并非技术问题，而是上下文问题。能够大规模从 AI 中获取价值的企业，并非那些构建最复杂数据管道和模拟环境的公司，而是那些为 AI 提供最完整、准确且实时的业务视图，并使其能够在安全可控的前提下直接采取行动的企业。
SAP 的方法将 AI 融入财务、供应链、采购、人力资源和客户体验等应用套件之中。正是这种“将 AI 带入业务情境”的方式，使 SAP Business AI 与众不同。
为此，SAP 的知识图谱独特地映射了跨 45.2 万张表和 730 万个数据字段的应用规则与数据关系。 这一语义层将数据转化为上下文，而上下文正是区分能够真正理解你业务的 AI 与只能猜测业务的 AI 的关键。
将 AI 嵌入应用套件，使 SAP 能够将标准治理框架延伸至 AI 本身，无需在外部重复建设。
原生上下文 AI 畅游于海洋之中，而外部的 AI 则困于水族箱里。无论你建造的水族箱有多大，或投入多少资源让它看起来像真实海洋，它永远无法成为真正的海洋。
